CN111356014B - 一种基于自动化学习的Youtube视频识别匹配方法 - Google Patents

一种基于自动化学习的Youtube视频识别匹配方法 Download PDF

Info

Publication number
CN111356014B
CN111356014B CN202010100746.5A CN202010100746A CN111356014B CN 111356014 B CN111356014 B CN 111356014B CN 202010100746 A CN202010100746 A CN 202010100746A CN 111356014 B CN111356014 B CN 111356014B
Authority
CN
China
Prior art keywords
data
video
youtube
audio
length
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010100746.5A
Other languages
English (en)
Other versions
CN111356014A (zh
Inventor
邢长岩
范祥莉
吕鹏
刘天衡
吕亚运
史道轩
胡思路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NANJING SINOVATIO TECHNOLOGY CO LTD
Original Assignee
NANJING SINOVATIO TECHNOLOGY CO LTD
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NANJING SINOVATIO TECHNOLOGY CO LTD filed Critical NANJING SINOVATIO TECHNOLOGY CO LTD
Priority to CN202010100746.5A priority Critical patent/CN111356014B/zh
Publication of CN111356014A publication Critical patent/CN111356014A/zh
Application granted granted Critical
Publication of CN111356014B publication Critical patent/CN111356014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7834—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using audio features
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L61/00—Network arrangements, protocols or services for addressing or naming
    • H04L61/45—Network directories; Name-to-address mapping
    • H04L61/4505—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols
    • H04L61/4511—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols using domain name system [DNS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/438—Interfacing the downstream path of the transmission network originating from a server, e.g. retrieving encoded video stream packets from an IP network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/439—Processing of audio elementary streams
    • H04N21/4394—Processing of audio elementary streams involving operations for analysing the audio stream, e.g. detecting features or characteristics in audio streams

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Library & Information Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种基于自动化学习的Youtube视频识别匹配方法，该方法首先通过搭建Youtube视频信息采集的客户端，获取静态网页相关数据，自动学习Youtube视频在传输链路中音频和视频长度序列特征，建立特征信息存入数据库，供媒体处理服务器查找匹配使用。接着实时采集网络设备流量，针对待识别的Youtube传输报文信息进行分析提取报文特征，实时处理链路特征数据信息，对数据集合中的每一条链路特征进行分析并将此数据进行处理。最后，将处理后的数据与存入数据库的特征信息进行比对，完成匹配识别。本发明所述方法能够提高Youtube视频识别匹配的准确度和识别效率。

Description

一种基于自动化学习的Youtube视频识别匹配方法
技术领域
本发明属于网络流量分析检测技术，具体涉及一种基于自动化学习的Youtube视频识别匹配方法。
背景技术
随着计算机网络技术的高速发展以及全球用户网络用户的急剧增长，其网络规模、性能和复杂度都在不断提高，与此同时，针对网络行为的研究和网络流量分析测度提出了更高的挑战。在这些错综复杂的网络流量中，视频媒体流量占据着很大的比例。对于检测用户的带宽需求、网络流量占比分析，都提出了各自的需求。Youtube作为最大的视频分享网站，不可能将视频信息以及流量特征共享给大众。同时，在技术上，Youtube率先采用加密技术，将其在网络传输中的视频相关流量进行加密传输，这给识别带了了极大的困难。传统的方法只能对明文流量以及固定特征的流量进行识别分析，针对这一类加密流量，更是无法完成精确识别。
当前Youtube在传输视频和音频数据之前，采用了切片的方式，将整个视频和音频进行切片完成再传输。Youtube目前作为最大的视频服务提供商，其海量的视频各不相同，在传输过程中其视频和音频的长度也就各不相同，这就作为识别的依据，将其视频传输的切片长度作为识别特征进行识别。但是，由于视频和音频在传输过程中是加密的，用户无法直接获取到具体的音视频长度，也就无法构建Youtube视频的识别库。
在公开的文献中，目前大体有两类方式进行Youtube音视频特征库的构建。一种是人为干预的在设备终端(如web端、APP端)点播固定的视频，将其视频信息记录下来，然后同时在网络接入点获取相应的数据流量报文，由此将接入点的数据进行组包分析，对比后将数据作为Youtube识别特征库的依据。这种方法，比较有局限性，由于Youtube视频不是简单地单信道传输，是多信道传输，一次或几次人为的点播，并不能覆盖全部的场景。同时，Youtube视频采用的传输以及切片方式会根据网络以及设备情况进行选择，切片方式在动态变化中，这种方式只能获取某一次的特征，构建出来的库特征单一，在使用其他网络以及终端的情况下，此特征库完全不满足需求。一种方法是通过代理设备获得视频数据，对数据进行分析构建加密视频指纹数据库，这种方式比前一种，提高了特征指纹库的构建方式，采用代理设备进行，但在生成指纹的过程中，依赖于代理的选择，此方式在选择分辨率等相关参数上也要依赖于代理设备硬件条件。所以，上述两种方法在构建Youtube特征库的时候，均不能完成准确、全面的构建Youtube数据特征。同时，这两种方法在实时识别Youtube流量上效果不好。
发明内容
发明目的：针对上述现有技术对于识别Youtube流量和视频匹配的不足问题，本发明提供一种基于自动化学习的Youtube视频识别匹配方法。
技术方案：一种基于自动化学习的Youtube视频识别匹配方法，包括如下步骤：
(1)搭建Youtube视频信息采集的客户端，部署自动爬取指定Youtube视频的进程，通过自动爬取进程，获取静态网页特征数据，自动学习此Youtube视频在传输链路中的视频切片和音频切片的长度序列特征，并将此音频和视频的特征序列特息存入数据库，供媒体处理服务器查找匹配使用；
(2)部署网络接入点的实验室环境，将网络境中的Youtube视频通过网络设备采集并引流到媒体服务器。
(3)实时采集网络设备流量进行自动化分析，包括分析流量流程，通过DNS的域名,收集Youtube视频的IP、端口列表，并以此构建Youtube音视频传输所需要的IP端口二元组序列；通过此IP端口二元组，识别TLS数据链路，此链路为Youtube视频的传输链路；
(4)针对待识别和分析的Youtube传输报文信息进行分析，并对每一条报文进行特征提取和存储；对于同一条链路信息的，记录到同一个数据信息集合中，直到此TCP链路会话结束，记录结束；
(5)在实时处理链路特征数据信息集合的过程中，针对数据集合中的每一条链路特征进行分析并将此数据进行处理，分别提取出第一次切片的音、视频长度；
(6)针对上述处理完成的音频特征、视频特征信息，比对步骤(1)中自动化学习的序列特征信息，判断音视频传输中，第一次切片的音频特征、视频特征是否符合目标特征序列，分析校验，完成匹配识别。
进一步，步骤(1)中，所述爬取Youtube视频的长度特征的步骤如下：
(11)选择要识别和匹配的Youtube视频列表；
(12)搭建一台可以正常连接互联网并能访问Youtube的服务器，将步骤(11)中的视频列表加载到爬虫要访问分析的Youtube模块，并发送访问请求；
(13)接收视频响应数据，采用爬虫方式获取到的网页信息数据为明文响应数据；然后进行自动化分析源数据，并根据视频请求、视频响应数据、视频分辨率等参数构造音视频传输中的第一次切片长度特征序列；
(14)将此音视频长度特征，实时下发到特征存储服务器。
进一步，步骤(2)中，部署网络引流处理器的步骤如下：
(21)将要采集的访问Youtube视频的客户端和视频采集服务器连接到同一个网络路由设备；
(22)在网络路由设备上设置网络镜像，将此视频客户端访问的视频流量，采集到媒体流量处理设备。
进一步，步骤(3)中，步骤(3)实际方式为网络流量过滤预处理，其具体放发如下：
(31)实时采集网络设备流量，获取到所有流量，将端口为53的流量，识别为DNS流量，解析DNS流量，匹配Domain为“googlevideo.com”的流量，并提取出此Domain所对应的IP和443端口，记为IP1、Port1，IP2、Port2....IPn、Portn；
(32)识别出来上述二元组序列后，将其加入到识别Youtube视频的IP、Port序列中；
(33)采用识别出来IP、443端口二元组，将443端口符合TLS特诊的流量进行匹配判断，其他流量全部丢弃即可；满足步骤(32)中提取的IP、Port序列特征的数据流量进行过滤，满足此二元组的数据就是Youtube数据流量。
进一步，步骤(4)中，进行报文整体数据特征进行提取的方法如下:
(41)根据每一条Youtube数据流，按照IP端口进行建立会话，将同一个会话的数据存放到一个会话节点中。
(42)对于一个视频，在不同会话链路中传输的情况，分别记录到多个会话节点中，按照服务端的IP、端口，分为上行数据和下行数据，针对每一条链路分别处理，每条链路数据均记录为Datap[1]{UpData1，UpData2...UpDataN，DownData1,DownData2...DownDataN},Datap[2]{UpData1，UpData2...UpDataN，DownData1,DownData2...DownDataN}....Datap[N]{UpData1，UpData2...UpDataN，DownData1,DownData2...DownDataN}。此时存储的数据对序列为原始数据报文的应用层数据长度。
进一步，步骤(5)，处理原始数据，获取流量特征信息的方法如下：
(51)针对一条链路的数据Data1，Data2...DataN依次进行如下处理
(a)初始化i＝1；
(b)解析数据Data[i],由于Data为前边所述的TLS协议标准的加密数据，根据报文TLS传输中的特征，区分出下行数据是音频还是视频切片，并记录；
此时将上行加密后的数据Data[i]{UpData1...UpDataN}长度提取出来，下行加密后的数据Data[i]{DownData1...DownDataN}提取出来，记录下相应音频切片序列Data[i]{Audio1,Audio2...AudioN}，视频切片序列Data[i]{Video1,Video 2...Video N}。
(c)此时i＝i+1，循环处理记录下所有上下行数据对的音、视频切片长度序列Data[i]{Audio1,Audio2...AudioN}和Data[i]{Video1,Video 2...Video N}；
(52)直到计算完一条链路的所有特征信息位置，实时完成音视频长度特征采集。
进一步，步骤(6)，进行Youtube视频采集后特征与特征匹配库数据进行匹配的算法。
(6.1)将步骤(5)中特提取数据长度集，与步骤(1)中通过爬虫数据，自动化学习的数据特征进行匹配；
(62)采集处理后的数据特征长度为Data[i]{Audio，Video}，与数据库中数据指纹长度特征为Raw[i]对比,长度特征范围在加密长度修改后的16个字节内，算一条记录匹配成功；
(63)取前N个分片长度进行匹配，分别匹配第一次音频长度特征，第一次视频分片，匹配成功则表示识别成功，否则识别失败。
有益效果：与现有技术相比，其显著效果在于，本发明所述方法一方面采用了自动化学习生成Youtube音视频长度特征，此种方法简单高效，在不依赖于网络宽带速度、报文丢失以及客户端分辨率等条件下，可以更加准确的识别出特征数据库，达到了真正的准确完整。另一方面，本发明所述方法在设备采集侧更加方便，避免了区分音视频以及视频播放时间以及长度所带了的不稳定信息因素。在匹配的时候采用了会话中多条链路长度特征，提高了识别的命中率。在网络等动态变化过程中也不会影响其采集和匹配的过程，使用的场景更广。
附图说明
图1为本发明所述方法实施系统结构示意图；
图2为本发明中视频特征信息获取并存储到特征服务器流程示意图；
图3为本发明所述方法中媒体服务器引流并处理流量的示意图；
图4为本发明所述方法中视频特征匹配方法的示意图。
具体实施方式
为了详细的说明本发明所公开的技术方案，下面结合说明书附图及具体实施例做进一步的阐述。
步骤一：搭建Youtube视频信息采集的客户端，部署自动爬取指定Youtube视频的服务器。
步骤二：选取指定Youtube视频网源，进行访问，处理请求和响应数据，此时，获取到的数据为明文HTTP数据，解析响应消息，并自动生成第一次视频切片和音频切片的长度序列特征序列。
表1切片特征数据以及次访问数据长度序列
Figure GDA0002462037310000051
步骤三：根据图1示的网络部署，接入点的实验室环境，将网络环境中的Youtube视频通过网络设备采集并引流到媒体服务器。
步骤四：实时采集网络设备流量，实现自动化分析。
分析流量流程，首先通过DNS的域名"googlevideo.com",此时获取到的DNS解析出来的IP是74.125.10.73。
步骤五：将此IP：74.125.10.73，端口443的流量找出来，确定IP为74.125.10.73的就是音视频传输的流量。
步骤六：处理流量数据，按照方法中进行分析，具体分析如下：
(1)按照报文的顺序依次进行判断处理
(2)将每一条TLS报文的IP头相关信息解析剥离出来，只提取TLS的应用层数据内容。
(3)针对此应用层数据的长度，依次对视频和音频进行区分，由于Youtube对视频和音频压缩方法以及分片大小方式不同，音频数据HTTP响应头数据范围在(942,973),视频片段的响应头数据长度范围在(974,1008)。根据每次请求，将音视频请求长度根据上述范围进行判断。
(4)按照上述(3)中的方式，将同一次请求后的相应数据，根据第一个分片长度区分音视频和其他数据，然后依次处理每一个请求响应的数据，将音视频数据分别记录下来，音频切片序列Data[i]{Audio1,Audio2...AudioN}，视频切片序列Data[i]{Video1,Video2...Video N}.具体提取出的数据见表1。
步骤七：将提取成功的数据与步骤二中自动化学习收集到的第一个切片长度进行比较，输出匹配结果。
(1)依次取出处理数据后的Data[i]中的Audio和Video的长度，记进行断。若满足长度差值小于16，则本次匹配成功。
(2)满足两次(一次音频一次视频)匹配成功，则认定此视频信息流为本音视频的传输信息流。为此可以精确找到此视频源在本次传输中的详细的信息，包括不限于客户端和服务端的IP、PORT，TLS中会话关联信息，视频长度特征序列。

Claims (7)

1.一种基于自动化学习的Youtube视频识别匹配方法，其特征在于：包括如下步骤：
(1)搭建Youtube视频信息采集的客户端，部署自动爬取指定Youtube视频的进程，通过自动爬取进程获取静态网页特征数据，自动学习Youtube视频在传输链路中的视频切片和音频切片的长度序列特征，并将此音频和视频的特征序列特息存入数据库，供媒体处理服务器查找匹配使用；
(2)部署网络接入点的实验室环境，将网络境中的Youtube视频通过网络设备采集并引流到媒体服务器；
(3)实时采集网络设备流量进行数据来源分析，包括分析流量流程，通过DNS的域名,收集Youtube视频的IP、端口列表，并以此构建Youtube音视频传输所需要的IP端口二元组序列；通过此IP端口二元组，识别TLS数据链路，此链路为Youtube视频的传输链路；
(4)针对待识别的Youtube传输报文信息进行分析，并对每一条报文进行特征提取和存储；对于同一条链路信息的，记录到同一个数据信息集合中，直到此TCP链路会话结束，记录结束；
(5)在实时处理链路特征数据信息集合的过程中，针对数据集合中的每一条链路特征进行分析并将此数据进行处理，分别提取出第一次切片的音、视频长度；
(6)针对上述处理完成的音频特征、视频特征信息，比对步骤(1)中自动化学习的序列特征信息，判断音视频传输中，第一次切片的音频特征、视频特征是否符合目标特征序列，分析校验，完成匹配识别。
2.根据权利要求1所述基于自动化学习的Youtube视频识别匹配方法，其特征在于：步骤(1)中爬取Youtube视频的长度特征的具体步骤如下：
(11)选择要识别和匹配的Youtube视频列表；
(12)搭建一台能访问Youtube的服务器，将步骤(11)中的视频列表加载到爬虫要访问分析的Youtube模块，并发送访问请求；
(13)接收视频响应数据，采用爬虫方式获取到的网页信息数据为明文响应数据；然后进行自动化分析源数据，并根据视频请求、视频响应数据、视频分辨率等参数构造音视频传输中的第一次切片长度特征序列；
(14)将此音视频长度特征，实时下发到特征存储服务器。
3.根据权利要求1所述基于自动化学习的Youtube视频识别匹配方法，其特征在于：步骤(2)中部署网络引流处理器的步骤如下：
(21)将要采集的访问Youtube视频的客户端和视频采集服务器连接到同一个网络路由设备；
(22)在网络路由设备上设置网络镜像，将视频客户端访问的视频流量采集到媒体流量处理设备。
4.根据权利要求1所述基于自动化学习的Youtube视频识别匹配方法，其特征在于：步骤(3)中包括网络流量过滤预处理，其具体放发步骤如下：
(31)实时采集网络设备流量，获取到所有流量，将端口为53的流量，识别为DNS流量，解析DNS流量，匹配Domain为“googlevideo.com”的流量，并提取出此Domain所对应的IP和443端口，记为IP1、Port1，IP2、Port2....IPn、Portn；
(32)识别出来上述二元组序列后，将其加入到识别Youtube视频的IP、Port序列中；
(33)采用识别出来IP、443端口二元组，将443端口符合TLS特征的流量进行匹配判断，其他流量全部丢弃；同时对满足步骤(32)中提取的IP、Port序列特征的数据流量进行过滤，满足此二元组的数据就是Youtube数据流量。
5.根据权利要求1所述基于自动化学习的Youtube视频识别匹配方法，其特征在于：步骤(4)中进行报文整体数据特征进行提取的步骤如下：
(41)根据每一条Youtube数据流，按照IP端口进行建立会话，将同一个会话的数据存放到一个会话节点中；
(42)对于一个视频，在不同会话链路中传输的情况，分别记录到多个会话节点中，按照服务端的IP、端口，分为上行数据和下行数据，针对每一条链路分别处理，每条链路数据均记录为Datap[1]{UpData1，UpData2...UpDataN，DownData1,DownData2...DownDataN},Datap[2]{UpData1，UpData2...UpDataN，DownData1,DownData2...DownDataN}....Datap[N]{UpData1，UpData2...UpDataN，DownData1,DownData2...DownDataN}，此时存储的数据对序列为原始数据报文的应用层数据长度。
6.根据权利要求1所述基于自动化学习的Youtube视频识别匹配方法，其特征在于：步骤(5)中处理原始数据，获取流量特征信息的步骤如下：
(51)针对每一条链路的数据Data1，Data2...DataN依次进行处理，具体处理流程如下：
(a)初始化i＝1
(b)解析数据Data[i],由于Data为前边所述的TLS协议标准的加密数据，根据报文TLS传输中的特征，区分出下行数据是音频还是视频切片，并记录；
(c)将上行加密后的数据Data[i]{UpData1...UpDataN}长度提取出来，下行加密后的数据Data[i]{DownData1...DownDataN}提取出来，记录下相应音频切片序列Data[i]{Audio1,Audio2...AudioN}，视频切片序列Data[i]{Video1,Video 2...Video N}；
(d)执行i＝i+1，循环处理记录下所有上下行数据对的音、视频切片长度序列Data[i]{Audio1,Audio2...AudioN}和Data[i]{Video1,Video 2...Video N}；
(52)直到计算完一条链路的所有特征信息位置，实时完成音视频长度特征采集。
7.根据权利要求1所述基于自动化学习的Youtube视频识别匹配方法，其特征在于：步骤(6)进行Youtube视频采集后特征与特征匹配库数据进行匹配的步骤如下：
(61)将步骤(5)中特提取数据长度集，与步骤(1)中通过爬虫数据，自动化学习的数据特征进行匹配；
(62)采集处理后的数据特征长度为Data[i]{Audio，Video}，与数据库中数据指纹长度特征为Raw[i]对比,长度特征范围在加密长度修改后的16个字节内，算一条记录匹配成功；
(63)取前N个分片长度进行匹配，分别匹配第一次音频长度特征，第一次视频分片，匹配成功则表示识别成功，否则判定为识别失败。
CN202010100746.5A 2020-02-18 2020-02-18 一种基于自动化学习的Youtube视频识别匹配方法 Active CN111356014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010100746.5A CN111356014B (zh) 2020-02-18 2020-02-18 一种基于自动化学习的Youtube视频识别匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010100746.5A CN111356014B (zh) 2020-02-18 2020-02-18 一种基于自动化学习的Youtube视频识别匹配方法

Publications (2)

Publication Number Publication Date
CN111356014A CN111356014A (zh) 2020-06-30
CN111356014B true CN111356014B (zh) 2022-05-13

Family

ID=71194098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010100746.5A Active CN111356014B (zh) 2020-02-18 2020-02-18 一种基于自动化学习的Youtube视频识别匹配方法

Country Status (1)

Country Link
CN (1) CN111356014B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114025203B (zh) * 2021-11-04 2024-01-23 中国人民解放军国防科技大学 一种基于序列相似度的加密视频流量内容分析方法
CN114679606B (zh) * 2022-04-02 2023-05-09 哈尔滨工业大学 一种基于Burst特征的视频流量识别方法、系统、电子设备及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10880340B2 (en) * 2008-11-26 2020-12-29 Free Stream Media Corp. Relevancy improvement through targeting of information based on data gathered from a networked device associated with a security sandbox of a client device
EP2262172A1 (en) * 2009-06-10 2010-12-15 Alcatel Lucent Method and scout agent for building a source database
US20150033258A1 (en) * 2013-07-24 2015-01-29 United Video Properties, Inc. Methods and systems for media guidance applications configured to monitor brain activity
CN104022920B (zh) * 2014-06-26 2017-11-21 重庆重邮汇测通信技术有限公司 一种lte网络流量识别系统及方法
US10277696B2 (en) * 2016-09-10 2019-04-30 Intelligence Machine Inc. Method and system for processing data used by creative users to create media content
CN110519177B (zh) * 2018-05-22 2022-01-21 华为技术有限公司 一种网络流量识别方法及相关设备
CN109376603A (zh) * 2018-09-25 2019-02-22 北京周同科技有限公司 一种视频识别方法、装置、计算机设备及存储介质
CN109511011B (zh) * 2018-09-27 2020-11-06 东南大学 一种面向YouTube DASH加密视频的指纹数据库构建方法
CN109391627B (zh) * 2018-11-20 2021-01-12 东南大学 一种识别TLS协议加密传输YouTube DASH视频的方法
CN110062255B (zh) * 2019-03-27 2021-05-04 东南大学 一种识别QUIC协议加密传输的YouTube DASH视频的方法

Also Published As

Publication number Publication date
CN111356014A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN112714045B (zh) 一种基于设备指纹和端口的快速协议识别方法
CN111356014B (zh) 一种基于自动化学习的Youtube视频识别匹配方法
CN106789242B (zh) 一种基于手机客户端软件动态特征库的识别应用智能分析方法
US11153360B2 (en) Methods and systems for codec detection in video streams
WO2022116811A1 (zh) 一种对加密流量视频进行清晰度预测的方法和装置
CN114389792B (zh) 一种web日志nat前后关联方法及系统
CN112953961B (zh) 配电房物联网中设备类型识别方法
CN115865534B (zh) 一种基于恶意加密流量检测方法、系统、装置及介质
US20200192786A1 (en) Method and system for testing a system under development using real transaction data
Liu et al. Semi-supervised encrypted traffic classification using composite features set
CN112003869A (zh) 一种基于流量的漏洞识别方法
CN113761282B (zh) 视频查重方法、装置、电子设备以及存储介质
Tropková et al. Novel HTTPS classifier driven by packet bursts, flows, and machine learning
Wu et al. Monitoring video resolution of adaptive encrypted video traffic based on HTTP/2 features
Yang et al. A classification method for network applications using BP neural network
CN115174961B (zh) 一种面向高速网络的多平台视频流量早期识别方法
CN113453076A (zh) 用户视频业务质量评估方法、装置、计算设备和存储介质
Dubin et al. Video quality representation classification of encrypted http adaptive video streaming
CN115499179A (zh) 一种面向主干网中DoH隧道流量的检测方法
Björklund et al. I see what you're watching on your streaming service: Fast identification of dash encrypted network traces
CN111343008B (zh) 一种用于发现IPv6加速部署状态的综合性测量方法和系统
CN113438503A (zh) 视频文件还原方法、装置、计算机设备和存储介质
US20190342091A1 (en) System and method for analyzing properties within a real time or recorded transmissions
CN114679606B (zh) 一种基于Burst特征的视频流量识别方法、系统、电子设备及存储介质
CN115589362B (zh) 设备类型指纹的生成方法及识别方法、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant